基于粗糙集理論的決策樹生成系統(tǒng).pdf

1、數(shù)據(jù)挖掘是利用分析工具從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中，提取出隱含在其中事先未知、潛在有用的信息和知識的過程，建立數(shù)據(jù)間關系模型，用其做出預測，從而為決策者提供輔助決策。分類是數(shù)據(jù)挖掘中的一種重要方法。決策樹是一種常用的分類模型，并以其能直接體現(xiàn)數(shù)據(jù)特點，分類效率高、速度快、理解性好等特點在數(shù)據(jù)挖掘及其它領域中被廣泛使用；粗糙集理論將分類和知識聯(lián)系在一起，認為知識是將對象分類的能力，是一種處理模糊和不精確數(shù)據(jù)的數(shù)學工具

2、，具有很強的知識獲取能力，本論文將基于粗糙集理論實現(xiàn)決策樹生成系統(tǒng)。 決策樹生成系統(tǒng)，包括數(shù)據(jù)預處理，連續(xù)屬性離散化，決策樹生成，剪枝，評估，及預測，決策森林，生成規(guī)則幾個部分。數(shù)據(jù)預處理主要針對數(shù)據(jù)缺失進行處理，主要方法為忽略元組，使用常量填充，或屬性平均值填充，或元組同一類的樣本平均值填充。連續(xù)屬性離散化使用基于變精度粗糙集理論的頻率寬度方法，決策樹生成使用基于變精度粗糙集理論的分類方法。針對目前剪枝方法的不足，確定決策樹復

3、雜度衡量標準，設計一種基于錯誤率和復雜度的剪枝方法。計算決策樹每個節(jié)點錯誤率及復雜度之和作為該節(jié)點是否剪枝的標準，這樣保證了不過分降低精度的前提下使得復雜度最小。在生成規(guī)則階段主要是將決策樹轉化為比較直觀的IF-THEN規(guī)則形式，讓用戶能更好地理解分類結果。在處理多類數(shù)據(jù)分類的任務需要得到精確的和易于處理的方案時，傳統(tǒng)的決策樹分析方法效率和精度比較低。原因是單棵決策樹不能提供充足的途徑來分配多類的數(shù)據(jù)。決策森林算法提供了一個有效的方法來